Java中的字符表示

1、java中的char的大小是范围是0到0xffff，能表示绝大多数的中文。

    /**
     * The constant value of this field is the smallest value of type
     * {@code char}, {@code '\u005Cu0000'}.
     *
     * @since   1.0.2
     */
    public static final char MIN_VALUE = '\u0000';

    /**
     * The constant value of this field is the largest value of type
     * {@code char}, {@code '\u005CuFFFF'}.
     *
     * @since   1.0.2
     */
    public static final char MAX_VALUE = '\uFFFF';

一个char能表示的范围的字符称为：Basic Multilingual Plane(BMP)，Java设计的初始，大家天真地认为两个字节大小（65536）已经能表示完世界上所有要用到的符号，所以java在给自己设计char类型的时候，用了两个字节（unsigned short）定义char（一开始的UCS-2，后来的UTF-16)，UTF-16编码方式：字符编码的概念（UTF-8、UTF-16、UTF-32都是什么鬼）_顾小暖的博客-CSDN博客。

2、java对应utf-16演变的修改

java设计者当时是基于UCS-2固定两个字节能表示所有unicode字符来设计的char类型，既然UCS-2演化为了utf-16，由定长变为不定长，所以也得跟着调整，当时char类型已经是固定两个字节了，所以char就是固定两个字节，因此如今也只能表示BMP范畴的字符，当然这包括了BMP范畴内的那些无效码位，也就是char能够表示high/low surrougate。

这感觉就像开发者已经实现了预期的功能，然后产品经理跑过来说需求变更了...

官方关于如何支持non-BMP的说明：

​www.oracle.com/technical-resources/articles/javase/supplementary.html

单个char无法表示non-BMP字符，但是两个char组合一起就可以。

这也是为什么单个char类型表示non-BMP字符编译不过，而String可以的原因(java9之前String是使用char[]实现，后面是byte[]实现)。

3、code point和code unit

/**
     * 输出
     * 龘
     * 知乎-发现更大的世界，😂
     * 30693 20046 45 21457 29616 26356 22823 30340 19990 30028 65292 128514
     * code unit size:13
     * code point size:12
     */
    @Test
    public void testChar1() {
        char ch = '龘';
        System.out.println(ch);

//        for (int i = 0; i <= Integer.MAX_VALUE; i++) {
//            char c = (char) i;
//            System.out.print(c);
//            System.out.println("=" + i);
//        }

        //对non-MBP的字符，使用两个char来保存
        final String content = "知乎-发现更大的世界，\uD83D\uDE02";
        for (int i = 0; i < content.length(); i++) {
            char c = content.charAt(i);
            System.out.print(c);
        }

        System.out.println();

        for (int i = 0; i < content.length(); i++) {
            char c = content.charAt(i);
            System.out.print(c + " ");

        }

        System.out.println();

        for (int j = 0; j < content.codePointCount(0, content.length()); j++) {
            int value = content.codePointAt(j);
            System.out.print(value + " ");
        }

        System.out.println();


        //char 数组的大小是13个
        System.out.println("code unit size:" + content.length());
        //表示的字符只有12个
        System.out.println("code point size:" + content.codePointCount(0, content.length()));
    }

java.lang.String#codePointAt这个方法要注意参数index的索引是unit size的索引，不是point size的索引，所以如果你有如下代码：

@Test
    public void testChar2() {
        String content = "\uD83D\uDE00\uD83D\uDE01\uD83D\uDE02\uD842\uDCB8\uD841\uDF96";
        System.out.println(content);
        for (int j = 0; j < 5; j++) {
            //需要每次读取两个才能得到正确的Unicode编码
            int value = content.codePointAt(j * 2);
            System.out.print(value + " ");
        }
    }